Speech Emotion Recognition
用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。
改进了特征提取方式，识别准确率提高到了 80% 左右。原来的版本的存档在 First-Version 分支。
English Document | 中文文档
Environments
- Python 3.8
- Keras & TensorFlow 2
Structure
├── models/ // 模型实现
│ ├── common.py // 所有模型的基类
│ ├── dnn // 神经网络模型
│ │ ├── dnn.py // 所有神经网络模型的基类
│ │ ├── cnn.py // CNN
│ │ └── lstm.py // LSTM
│ └── ml.py // SVM & MLP
├── extract_feats/ // 特征提取
│ ├── librosa.py // librosa 提取特征
│ └── opensmile.py // Opensmile 提取特征
├── utils/
│ ├── files.py // 用于整理数据集（分类、批量重命名）
│ ├── opts.py // 使用 argparse 从命令行读入参数
│ └── plot.py // 绘图（雷达图、频谱图、波形图）
├── config/ // 配置参数（.yaml）
├── features/ // 存储提取好的特征
├── checkpoints/ // 存储训练好的模型权重
├── train.py // 训练模型
├── predict.py // 用训练好的模型预测指定音频的情感
└── preprocess.py // 数据预处理（提取数据集中音频的特征并保存）
Requirments
Python
- TensorFlow 2 / Keras：LSTM & CNN (
tensorflow.keras) - scikit-learn：SVM & MLP 模型，划分训练集和测试集
- joblib：保存和加载用 scikit-learn 训练的模型
- librosa：提取特征、波形图
- SciPy：频谱图
- pandas：加载特征
- Matplotlib：绘图
- NumPy
Tools
- [可选] Opensmile：提取特征
Datasets
-
英文，24 个人（12 名男性，12 名女性）的大约 1500 个音频，表达了 8 种不同的情绪（第三位数字表示情绪类别）：01 = neutral，02 = calm，03 = happy，04 = sad，05 = angry，06 = fearful，07 = disgust，08 = surprised。
-
英文，4 个人（男性）的大约 500 个音频，表达了 7 种不同的情绪（第一个字母表示情绪类别）：a = anger，d = disgust，f = fear，h = happiness，n = neutral，sa = sadness，su = surprise。
-
德语，10 个人（5 名男性，5 名女性）的大约 500 个音频，表达了 7 种不同的情绪（倒数第二个字母表示情绪类别）：N = neutral，W = angry，A = fear，F = happy，T = sad，E = disgust，L = boredom。
-
CASIA
汉语，4 个人（2 名男性，2 名女性）的大约 1200 个音频，表达了 6 种不同的情绪：neutral，happy，sad，angry，fearful，surprised。
Usage
Prepare
安装依赖：
pip install -r requirements.txt（可选）安装 Opensmile。
Configuration
在 configs/ 文件夹中的配置文件（YAML）里配置参数。
其中 Opensmile 标准特征集目前只支持：
IS09_emotion：The INTERSPEECH 2009 Emotion Challenge，384 个特征；IS10_paraling：The INTERSPEECH 2010 Paralinguistic Challenge，1582 个特征；IS11_speaker_state：The INTERSPEECH 2011 Speaker State Challenge，4368 个特征；IS12_speaker_trait：The INTERSPEECH 2012 Speaker Trait Challenge，6125 个特征；IS13_ComParE：The INTERSPEECH 2013 ComParE Challenge，6373 个特征；ComParE_2016：The INTERSPEECH 2016 Computational Paralinguistics Challenge，6373 个特征。
如果需要用其他特征集，可以自行修改 extract_feats/opensmile.py 中的 FEATURE_NUM 项。
Preprocess
首先需要提取数据集中音频的特征并保存到本地。Opensmile 提取的特征会被保存在 .csv 文件中，librosa 提取的特征会被保存在 .p 文件中。
python preprocess.py --config configs/example.yaml其中，configs/example.yaml 是你的配置文件路径。
Train
数据集路径可以在 configs/ 中配置，相同情感的音频放在同一个文件夹里（可以参考 utils/files.py 整理数据），如：
└── datasets
├── angry
├── happy
├── sad
...
然后：
python train.py --config configs/example.yaml
Predict
用训练好的模型来预测指定音频的情感。checkpoints/里有一些已经训练好的模型。
python predict.py --config configs/example.yaml
Functions
Radar Chart
画出预测概率的雷达图。
来源：Radar
import utils
"""
Args:
data_prob (np.ndarray): 概率数组
class_labels (list): 情感标签
"""
utils.radar(data_prob, class_labels)
Play Audio
播放一段音频
import utils
utils.play_audio(file_path)
Plot Curve
画训练过程的准确率曲线和损失曲线。
import utils
"""
Args:
train (list): 训练集损失值或准确率数组
val (list): 测试集损失值或准确率数组
title (str): 图像标题
y_label (str): y 轴标题
"""
utils.curve(train, val, title, y_label)
Waveform
画出音频的波形图。
import utils
utils.waveform(file_path)
Spectrogram
画出音频的频谱图。
import utils
utils.spectrogram(file_path)